文献

J-GLOBAL ID：202002270510143227   整理番号：20A0658153

EMAデータからの多人数話者音声合成

Multi-Speaker Speech Synthesis from EMA Data

著者 (2件)： 桂田浩一 (東京理大) ,  RICHMOND Korin (エジンバラ大)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 119  号： 398(SP2019 44-49)(Web)  ページ： 7-12 (WEB ONLY)  発行年： 2020年01月21日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本報告では多人数話者を対象に調音運動データの一種であるEMA(electromagnetic articuloguraphy)データからメルケプストラムを推定する方法を提案する.多人数話者のメルケプストラム推定には話者情報が必須である.本システムではEMAデータから生成されたd-vectorを話者情報として利用した.実験の結果,話者クローズテストにおいてd-vectorがメルケプストラムの推定に効果的であることが示された.続いて,メルケプストラム推定器に与えるデータが話者非依存であることの有効性を検証するために,第1ステージにおいてEMAデータを話者非依存なものに変換し,第2ステージのメルケプストラム推定器に与える2ステージネットワークを検討した.話者非依存なデータとしては,全話者のEMAデータのトライフォンレベルの平均を用いた.実験を行ったところ,話者クローズテストでは良好な結果が得られた.また,第2ステージのネットワークに直接トライフォンレベルの平均データを入力した場合には話者オープン/話者クローズの双方で良好な結果が得られたことから,メルケプストラム推定には話者非依存性が重要であることが確認できた.(著者抄録)

シソーラス用語： *調音 ,  データ ,  ケプストラム ,  方式 ,  数 ,  *音声合成 ,  磁気センサ
準シソーラス用語： メルケプストラム ,  推定法 ,  多数 ,  *調音動作

分類 (1件)： 音声処理  (JE05000E)

引用文献 (30件)：

• J. Shen, R. Pang, R.J. Weiss, M. Schuster, N. Jaitly, Z. Yang, Z. Chen, Y. Zhang, Y. Wang, R. Skerry-Ryan, R.A. Saurous, Y. Agiomyrgiannakis, and Y. Wu, “Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions,” in Proc. of ICASSP 2018, pp.4779-4783 (2018).
• A. Oord, S. Dieleman, H. Zen, K. Simonyan, O. Vinyals, A. Graves, N. Kalchbrenner, A. Senior, and K. Kavukcuoglu, “WaveNet: A Generative Model for Raw Audio,” arxiv: 1609.03499 (2016).
• P.L. Tobing, T. Toda, G. Neubig, S. Sakti, S. Nakamura, and A. Purwarianti, “Articulatory Controllable Speech Modification Based on Statistical FeatureMapping with Gaussian Mixture Models,” in Proc. of InterSpeech2014, pp.2298-2302 (2014).
• G.K. Anumanchipalli, J. Chartier, and E. Chang, “Speech synthesis from neural decoding of spoken sentences,” Nature, vol.568, no.7753, pp.493-498 (2019).
• K. Richmond, Z. Ling, and J. Yamagishi, “The use of articulatory movement data in speech synthesis applications: An overview - Application of articulatory movements using machine learning algorithms -,” Acoustical Science and Technology, vol.36, no.6, pp.467-477 (2015).

タイトルに関連する用語 (4件)： EMA ,  多人数 ,  話者 ,  音声合成